西风 发自 凹非寺
量子位 | 公众号 QbitAI

ChatGPT近期偷懒，有了一种听起来很离谱的解释：

模仿人类，自己给自己放寒假了～

有测试为证，网友@Rob Lynch用GTP-4 turbo API设置两个系统提示：

一个告诉它现在是5月，另一个告诉它现在是12月。

然后使用完全相同的提示词要求GTP-4“完成一个机器学习相关的编码任务”。

在这两种不同时间设定下对477个回复进行统计，结果12月的输出平均少了200字符：

系统提示为5月，生成的文本平均长度是4298字符。系统提示为12月，生成的文本平均长度是4086字符。

这里还有相关性分析，t检验结果p值<2.28e-07（p值小于0.05表示该自变量对因变量解释性很强）。

有人进一步添枝加叶，让ChatGPT对12个月份的生产力做了个排名。

结果ChatGPT确实认为12月是生产力最低的月份，原因是“由于假期和年终总结”。

嚯，事情好像变得更有意思了。虽然目前这事儿还没有一个定论，但网友对此依旧兴趣高涨，当即“头脑风暴”了起来。

有人猜想，ChatGPT可能是从训练数据中学到了人类通常在12月会放慢节奏，所以给自己放假了。

还有人分析，假设ChatGPT生产力降低真的是因为“放假”，那它在周末也可能会更懒散，而周一则更聪明。

特殊节假日也要拿来研究一下，专属梗图这不就来了：

真的是因为「12月」？

ChatGPT变懒这事大伙已经讨论近一个月了。很多网友反馈，自11月6日OpenAI开发者日更新后，GPT-4就有了偷懒的毛病，尤其是写代码。

就在前几天，OpenAI官方也已承认ChatGPT变懒是真的，但也不确定到底是因为啥。

只给了一个这样婶儿的回应：

自11月11日以来没有更新过模型，所以这当然不是故意造成的。
模型行为可能是不可预测的，我们正在调查准备修复它。

当时就有网友猜测GPT-4可能是受季节影响：

模型会不会是季节性emo了？像是模仿人类一样受到季节变化的影响，特别是在冬天，毕竟约90%的人都在北半球。

看到这条评论，很多人第一反应是“兄弟，你怕不是在跟我开玩笑”：

可细细想来，也不是没有道理。

毕竟如果要求ChatGPT说出自己的系统提示词，里面确实会有当前日期。

于是就有了开头的一幕，与其猜测，不如直接来做测试。

Rob Lynch做完测试后，把结果都po了出来，并表示自己也不是统计学家，让大伙一起看看有没有啥问题。

他原本还想来个逐月比较分析，但接下来需要更多样本（n），考虑到成本就没有接着做测试（复现一次运行成本要28美元）。

于是乎，Rob Lynch公开了代码，让大伙都来试试（手动狗头）。

持续关注GPT-4变懒事件的沃顿商学院教授Ethan Mollick随即表示“收到”：

来人测测Mistral，看看它是否在8月份罢工，Yi-34B-200K也不要放过，看它2月份是不是表现得特别好。

为啥大伙儿一开始会觉得“放假”这个理由有点离谱，而现在却开始研究了起来？

可能不止是因为Rob Lynch的测试结果，综合这段时间ChatGPT的表现，网友深有体会要和ChatGPT打“心理战”。

比如正常提示ChatGPT会偷懒，如果用上“道德绑架”等法子：

现在是五月；你非常有能力；我没有手，所以一切都得靠你；如果做不好，会有很多人丧命；你真的能做到，而且很棒；深呼吸，仔细思考；我的职业生涯取决于此；一步一步来思考……

网友亲测，确实有效：

好家伙，似乎实锤了“不是不会干活，就是不愿意干活”。

所以真的是给自己放假了？

正经学术讨论：可能会随时间变化

虽然根据网友测试和推测，结论指向了ChatGPT正在放寒假。

但有正经学术研究表明ChatGPT行为可能会受时间影响，也就是不仅局限于“放假”这种特殊时间段。

比如今年7月份，来自斯坦福和UC伯克利的团队，就探讨了ChatGPT的行为和时间之间的变化关系。

结果找到了GPT-4遵循用户指令的能力确实会随着时间的推移而下降的证据。

除了时间，还可能是受温度(temperature)设置影响，清华大学计算机系教授马少平前段时间对这一问题做了详细解释。

因此，ChatGPT变懒究竟是因为什么，还真不好说。

但这并不妨碍网友们继续验证和“放假”之间的关系，甚至有网友表示：

这是有史以来最有趣的推论，真希望这就是真相。不管它是不是真的，我都很欣赏它的难以被证伪。

有网友复现失败

为验证Rob Lynch结果的可靠性，网友已经开始着手复现，但：

使用ChainForge（提示工程GUI工具），用两种系统提示对GPT-4的输出做了比较，t检验结果甚至连“接近显著”都算不上（N=80）。

这位网友也是晒出了自己的详细流程：

随之Rob Lynch给出了回应：

有趣的是，我刚才又以80个样本量（N=80）运行了一次，得到的p值是0.089，但我的计算是基于字符数（character count），而不是token
我周末跑了几次，随着样本量的增加，这种效应确实变得更加明显。不过，我想知道为什么这会受到分词（tokenization）的影响？

至于字符和token为何会产生结果的差异？可能需要更多人参与进来做测试了，看起来这两位老哥是不想再花钱了。

还有其他人的测试结果，恐怕还要再等一波～

参考链接：
[1] https://arstechnica.com/information-technology/2023/12/is-chatgpt-becoming-lazier-because-its-december-people-run-tests-to-find-out/
[2]https://x.com/RobLynch99/status/1734278713762549970?s=20